使用三种卷积神经网络模型进行眼引力测量:一项比较研究

科学领域:

• 眼科医生 眼科 眼科
• 计算机视觉 计算机视觉
• 医疗成像医学成像

背景情况:

• 眼管道测量对于诊断和监测眼动障碍至关重要.
• 测量眼球导管的传统方法可能是主观的,耗时的.
• 卷积神经网络 (CNN) 为自动化和客观图像分析提供了潜力.

研究的目的:

• 为了比较三种CNN模型 (MobileNet,ResNet,EfficientNet) 在测量眼膜导管位置的准确性.
• 为了评估每个CNN模型的性能与眼科医生测量对比.
• 在训练时间和预测准确性方面评估CNN模型的效率.

主要方法:

• 526名年龄超过18岁的受试者通过手机拍摄的眼睛图像.
• 通过评估角膜光反射偏差来测量眼管道,分为30,60,90镜二光透镜 (PD) 和全管道.
• 三个CNN模型 (MobileNet,ResNet,EfficientNet) 使用接收器操作特征 (AUROC) 曲线下的区域进行评估.
• 数据集分为培训 (2,001 图像),评估 (213 图像) 和测试 (190 图像) 组.

主要成果:

• 这三种CNN模型在测量眼球导管位置方面表现相似,平均AUROC曲线 (p=0.936) 没有显著差异.
• 移动网络实现了最短的训练时间 (5.54分钟),并且显示了平均预测准确度的更窄的置信区间.
• 在测试阶段,MobileNet,ResNet和EfficientNet显示了不同PD级别的ROC曲线值的变化,所有模型都实现了完全导管的高精度 (AUROC>0.91).

结论:

• 评估的CNN模型 (MobileNet,ResNet,EfficientNet) 对于测量眼球导管位置非常有效.
• 移动网络具有优势,因为其培训时间更短,预测准确度更一致,这表明其适合临床实施.
• 进一步的研究可能会探索将这些CNN模型集成到常规眼科实践中,以提高诊断效率.